為提高軸承剩余使用壽命預(yù)測(cè)精度,提出一種基于改進(jìn)PSO-SVR的軸承剩余使用壽命預(yù)測(cè)方法。選取軸承水平和垂直方向振動(dòng)信號(hào)均方根、峰值因子、峭度因子等參數(shù)構(gòu)造多維退化特征,建立基于SVR的軸承剩余使用壽命預(yù)測(cè)模型;針對(duì)SVR參數(shù)優(yōu)化問題,設(shè)計(jì)一種動(dòng)態(tài)自適應(yīng)異步粒子群優(yōu)化算法,引入G_worst修正了速度位置更新公式,改進(jìn)了一種基于倒S形函數(shù)的自適應(yīng)慣性權(quán)重系數(shù)和一種基于慣性權(quán)重系數(shù)的異步自適應(yīng)學(xué)習(xí)因子,能夠有效克服局部最優(yōu),加快收斂效率,提高回歸精度。仿真實(shí)驗(yàn)結(jié)果表明:提出的方法與GS-SVR、GA-SVR、PSO-SVR、MPSO-SVR相比,具有較高的預(yù)測(cè)效率和預(yù)測(cè)精度,預(yù)測(cè)精度均優(yōu)于GBDT、RF、DT、GP等經(jīng)典回歸預(yù)測(cè)方法。 

【文章來源】：機(jī)床與液壓. 2020,48(16)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

多軸承健康壽命協(xié)同預(yù)測(cè)技術(shù)流程

由表2可得:文中改進(jìn)PSO-SVR模型在RMSE、MAE、MSE、R-square方面均優(yōu)于其他4種模型。由于將軸承剩余使用壽命進(jìn)行了歸一化處理,評(píng)價(jià)指標(biāo)數(shù)值較小,因此引入預(yù)測(cè)誤差分析,由表3可得:文中模型平均誤差為1.582%,為5個(gè)模型中最優(yōu);預(yù)測(cè)誤差在1%以內(nèi)樣本個(gè)數(shù)為13個(gè),與PSO-SVR模型相當(dāng);預(yù)測(cè)誤差在5%以內(nèi)的個(gè)數(shù)為19個(gè),僅次于MPSO-SVR;1個(gè)樣本因剩余使用壽命過小,導(dǎo)致預(yù)測(cè)結(jié)果偏差較大。通過表2、表3評(píng)價(jià)結(jié)果可得文中設(shè)計(jì)模型對(duì)軸承剩余使用壽命具有較高的預(yù)測(cè)精度,測(cè)試樣本實(shí)際壽命與預(yù)測(cè)壽命對(duì)比見圖4,可得:文中模型對(duì)于軸承剩余使用壽命預(yù)測(cè)具有較好的擬合效果。為進(jìn)一步說明本文作者提出的動(dòng)態(tài)自適應(yīng)異步粒子群優(yōu)化算法收斂效率與尋優(yōu)速度,對(duì)5種模型運(yùn)行時(shí)間與收斂代數(shù)進(jìn)行統(tǒng)計(jì)分析,如表4所示,文中的設(shè)計(jì)模型相比PSO-SVR、MPSO-SVR、GA-SVR模型能夠快速收斂,且運(yùn)行時(shí)間與PSO-SVR相當(dāng),優(yōu)于其他3種模型。

為進(jìn)行軸承剩余使用壽命精準(zhǔn)預(yù)測(cè),需要選擇特征明顯的軸承退化特征指標(biāo),與其歷史運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行擬合分析。為克服不同特征參數(shù)間數(shù)值范圍影響,降低數(shù)據(jù)維度,提高算法效率,本文作者選擇圖2、圖3所示軸承水平方向和垂直方向振動(dòng)信號(hào)的均方根、峰值因子和峭度因子等時(shí)域特征,見式(1)—式(3),采用最大最小歸一化方法進(jìn)行特征值處理,見式(4),構(gòu)建了多維退化特征指標(biāo),見式(5)。圖3 軸承垂直方向振動(dòng)信號(hào)

【參考文獻(xiàn)】：
期刊論文
[1]KPCA和改進(jìn)SVM在滾動(dòng)軸承剩余壽命預(yù)測(cè)中的應(yīng)用研究[J]. 者娜,楊劍鋒,劉文彬,陳良超.  機(jī)械設(shè)計(jì)與制造. 2019(11)
[2]電子設(shè)備故障預(yù)測(cè)與健康管理技術(shù)發(fā)展新動(dòng)態(tài)[J]. 呂克洪,程先哲,李華康,張勇,邱靜,劉冠軍.  航空學(xué)報(bào). 2019(11)
[3]基于連續(xù)型HMM和PSO-SVM的滾動(dòng)軸承剩余壽命預(yù)測(cè)[J]. 劉波,寧芊,劉才學(xué),艾瓊,何攀.  計(jì)算機(jī)應(yīng)用. 2019(S1)
[4]基于WLR和PSO-AFS-SVR的滾動(dòng)軸承可靠度預(yù)測(cè)方法[J]. 史一明,程健,陳自強(qiáng).  測(cè)控技術(shù). 2019(03)
[5]基于S型函數(shù)的自適應(yīng)粒子群優(yōu)化算法[J]. 黃洋,魯海燕,許凱波,胡士娟.  計(jì)算機(jī)科學(xué). 2019(01)
[6]智能裝備故障預(yù)測(cè)與健康管理系統(tǒng)研究[J]. 黃忠山,田凌.  圖學(xué)學(xué)報(bào). 2018(05)
[7]基于遺傳算法和支持向量回歸的鋰電池健康狀態(tài)預(yù)測(cè)[J]. 劉皓,胡明昕,朱一亨,於東軍.  南京理工大學(xué)學(xué)報(bào). 2018(03)
[8]基于多頻率尺度模糊熵和ELM的滾動(dòng)軸承剩余壽命預(yù)測(cè)[J]. 王付廣,李偉,鄭近德,徐培民.  噪聲與振動(dòng)控制. 2018(01)
[9]慣性權(quán)重正弦調(diào)整的粒子群算法[J]. 姜長(zhǎng)元,趙曙光,沈士根,郭力爭(zhēng).  計(jì)算機(jī)工程與應(yīng)用. 2012(08)

碩士論文
[1]基于隨機(jī)森林算法的短期負(fù)荷預(yù)測(cè)研究[D]. 石婷婷.鄭州大學(xué) 2017



本文編號(hào)：3003472